numpy学习(8)--线性代数运算 矩阵和向量的运算 矩阵乘法和逆矩阵 线性代数函数：dot()、inv()、solve()等

在NumPy中，你可以进行线性代数运算，包括矩阵和向量的运算，矩阵乘法以及求逆矩阵等。下面介绍了一些常见的线性代数函数和方法：

1. 矩阵和向量的运算：使用NumPy的多维数组（ndarray）来表示矩阵和向量。你可以使用arange()函数创建向量，使用reshape()方法将一维数组转换为矩阵形式。

   import numpy as np
   
   # 创建向量和矩阵
   vector = np.arange(1, 4)  # [1, 2, 3]
   matrix = np.array([[1, 2], [3, 4], [5, 6]])
   
   # 矩阵和向量的运算
   result = np.dot(matrix, vector)  # 矩阵乘以向量
   

2. 矩阵乘法：使用dot()函数进行矩阵乘法运算。

   import numpy as np
   
   # 创建矩阵
   matrix1 = np.array([[1, 2], [3, 4]])
   matrix2 = np.array([[1, 2], [3, 4]])
   
   # 矩阵乘法
   result = np.dot(matrix1, matrix2)
   

3. 逆矩阵：使用inv()函数求解矩阵的逆矩阵。

   import numpy as np
   
   # 创建矩阵
   matrix = np.array([[1, 2], [3, 4]])
   
   # 求解逆矩阵
   inverse_matrix = np.linalg.inv(matrix)
   

4. 线性方程组的求解：使用solve()函数解决线性方程组。

   import numpy as np
   
   # 创建系数矩阵和常数向量
   matrix = np.array([[2, 3], [4, 5]])
   vector = np.array([6, 7])
   
   # 解决线性方程组
   solution = np.linalg.solve(matrix, vector)
   

这些函数和方法可以帮助你进行基本的线性代数运算。NumPy还提供了许多其他的线性代数函数和方法，包括奇异值分解、特征值与特征向量分解、广义逆矩阵等。你可以参考NumPy的官方文档以获取更多详细信息和示例，并根据你的需求选择合适的函数和方法来进行线性代数运算。